96/01/10 مقاله: دریافت تاریخ 96/05/07 مقاله: پذیرش تاریخ حسگر شبکههای در سرخوشهها انتخاب برای ژنتیک الگوریتم از استفاده بیسیم * بهلولی علی ايران - اصفهان اصفهان دانشگاه کامپیوتر مهندسی دانشکده bohlooli@eng.ui.ac.ir الکترونیکی: پست روش دو با آن نتایج مقایسه و شد شبیهسازی سرخوشه چكيده ار چندگامی مسیریابی و سرخوشهها انتخاب مسئلههای که حسگر شبکههای در انرژی مصرف کاهش راه یک هب مسئله دو همزمان حل که داد نشان میکنند حل جداگانه در مطرح مسئله دو است. حسگرها بیسیم خوشهبندی میدهد. بهبود درصد 37 را شبکه عمر طول متوسط طور مناسب سرخوشههای چگونه اینکه از عبارتند زمینه این خوشهبندی بیسیم حسگر شبکه كليدي: واژههاي سرخوشهها از شده تجمیع دادههای چگونه و شوند انتخاب ژنتیک. الگوریتم چندگامی مسیریابی سرخوشه انتخاب میشود پیشنهاد پژوهش این در شوند. ارسال چاهک به که شود لحاظ نکته این سرخوشهها انتخاب هنگام در که مقدمه 1- نقش چاهک به یکدیگر دادههای ارسال در سرخوشهها حسگر شبکههای در چالش مهمترین انرژی مصرف که کرد انتخاب را سرخوشههایی بتوان تا داشت خواهند حسگرها انرژی مصرف که است نیاز ]1[. است بیسیم انجام کمتری انرژی مصرف با را دادهها چندگامی ارسال شبکه عمر طول تا یابد کاهش ممکن جای تا شبکه در انتخاب برای ژنتیک الگوریتم از پیشنهادی روش در دهند. برای روشها کاراترین از یکی ]2[. کند پیدا افزایش یک کرومزوم هر آن در که میشود استفاده سرخوشهها حسگرها حسگرهاخوشهبندی انرژی مصرف کاهش ارزیابی برای میدهد. نشان را سرخوشهها انتخاب نحوه دیگر اهداف با حسگرها البتهخوشهبندی ]6-2[. است سرخوشههای بین چندگامی مسیریابی کرومزوم هر مهمترین انرژی مصرف کاهش ولی میگیرد. انجام نیز میشود. طراحی گام«حداقل با»مسیریابی روش به آن بر مبتنی معماری در ]3[. است حسگرها هدفخوشهبندی»انرژی به توجه با ژنتیک الگوریتم در کرومزوم برازندگی تقسیم هم از مجزا خوشههای به حسگر گرههای خوشه سرخوشهها«به حسگرها از داده انتقال برای مصرفی 1 سرخوشه که است راس یک دارای خوشه هر و میشوند رساندن برای بهینه چندگامی مسیر مصرفی»انرژی و هب که دادههایی خوشه هر داخل اعضای میشود. نامیده برای میگردد. محاسبه چاهک«به سرخوشه از دادهها ]15-7[. میفرستند خود سرخوشه به را آوردهاند دست 40 تا 4 شامل شبکههایی برای پیشنهادی روش ارزیابی 1396 زمستان / رایانشی علوم 1-Cluster head مسئول نویسندۀ * 15
1396 زمستان / رایانشی علوم شده دریافت دادههای روی بر را پردازشهایی سرخوشه میکند ارسال 2 چاهک سوی به سپس و میدهد انجام همان که گره یک تنها خوشه هر در چون واقع در 7[. 3 ]1 به دادهها انتقال و مسیریابی فرآیند در است سرخوشه کاهش باعث روشخوشهبندی است دخیل چاهک سمت ]1[. میشود انرژی مصرف حسگرها خوشهبندی بر مبتنی که پروتکلهایی در سرخوشهها انتخاب 1( ]3[: است مطرح مرحله سه هستند مرحله برای داده. انتقال چگونگی 3( خوشهها تشکیل 2( بسیار حالت فضای معموال سرخوشهها انتخاب یعنی اول بزرگ شبکههای مورد در بخصوص و دارد وجود بزرگی انتخاب نامزد زیادی تعداد بین از باید مقیاس سرخوشهها بهینه گرهها انرژی مصرف مانند معیاری که نحوی به شوند در معموال شدند انتخاب سرخوشهها اینکه از پس شود. طبق بر خوشهها تشکیل یعنی دوم مرحله تحقیقات اکثر سرخوشهها به حسگرها تا میشود انجام سادهای روش سرخوشه نزدیکترین به حسگر هر مثال شوند. داده نسبت قرار آن ارتباطی محدوده در که سرخوشههایی بین از نیز پیچیدهتری روشهای البته میشود. داده نسبت دارند شده ارائه 17[ 16 ]1 تحقیقات برخی در منظور این برای حسگر شبکههای در داده انتقال یعنی سوم مرحله است. زا میگیرد: صورت سطح دو در برخوشهبندی مبتنی 7 [.ارتباط ]6 چاهک به سرخوشه از و سرخوشه به حسگر 3 تکگامی صورت دو به میتواند چاهک و سرخوشهها بین تکگامی روش در 7[. ]6 بگیرد صورت 4 چندگامی یا و ارسال چاهک سوی به مستقیما را دادهها سرخوشه هر میتواند سرخوشه هر چندگامی روش در ولی میکند. را خود خوشه دادههای دیگر سرخوشههای واسطه با مسائل پژوهشها از بسیاری در ]7[. برساند چاهک به حسگرها خوشهبندی بر مبتنی پروتکلهای در مطرح قرار بررسی مورد حالت فضای جستجوی دیدگاه از گرفتهاند. مذکور مسئلههای بزرگ حالت فضای به توجه با این بر عالوه بزرگ مقیاس با شبکههای در بخصوص میتوانند نیز ابتکاری فرا روشهای سنتی روشهای دسته یک 7[. ]6 باشند مفید بسیار مسائل این حل برای در که ابتکاری فرا روشهای کاراترین و پرکاربردترین از حسگر شبکههای در برخوشهبندی مبتنی پروتکلهای نشان را باالیی کارایی و شدهاند استفاده بسیار بیسیم تحقیقات از نمونههایی هستند. تکاملی الگوریتمهای دادهاند مسئلۀ حل برای تکاملی الگوریتمهای از استفاده زمینه در شد. خواهد مرور 2 بخش در سرخوشهها انتخاب این در شد خواهد مشاهده 2 بخش در همانطورکه داده انتقال و سرخوشه انتخاب مسئلههای قبلی تحقیقات شدهاند. حل هم از جدا صورت به چاهک به سرخوشه از سرخوشههای که است شده سعی ابتدا که معنی این به تعیین از پس شوند. انتخاب خوشه تشکیل برای مناسب بهینه چندگامی مسیر است شده سعی سرخوشهها شود طراحی چاهک به سرخوشه از دادهها انتقال برای هنگام در اگر حالیکه در کند. حداقل را انرژی مصرف تا انتقال که شود گرفته درنظر نکته این سرخوشهها انتخاب و چندگامی صورت به چاهک به سرخوشه هر از داده میتوان شد خواهد انجام دیگر سرخوشههای واسطه با بتوانند که کرد انتخاب نحوی به را سرخوشهها مجموعه انرژی مصرف با خودشان بین را دادهها چندگامی ارسال مسئله دو اینکه جای به واقع در یعنی دهند. انجام کمتری در و همزمان طور به شوند حل هم از جدا فاز دو در انتخاب سرخوشههایی ترتیب بدین گردند حل فاز یک آنها بین را مناسبی چندگامی مسیر بتوان که میشوند منظور این برای است. مقاله این در ما ایده این داد. تشکیل حل برای 5 ژنتیک الگوریتم مبنای بر روشی مقاله این در روشهایی با روش این شد. خواهد ارائه مسئله دو همزمان لحاظ از کردهاند حل هم از جدا صورت به را مسئلهها که این انجام برای میگردد. مقایسه شبکه عمر طول معیار شد. خواهد استفاده کامپیوتری شبیهسازی از مقایسه 5-Genetic algorithm 2-ink 3-ingle-hop 4-Multi-hop 16
مختلف ویژگیهای و ابعاد با شبکههایی منظور این برای خواهند شبیهسازی مختلف سناریوهای گرفتن درنظر با و اجرا آن روی بر قبلی روشهای و پیشنهادی روش و شد شد. خواهند مقایسه هم با شبکه عمر طول لحاظ از و شده باعث پیشنهادی روش شد خواهد مشاهده همانطورکه عمر طول افزایش درصد 80 حداکثر و درصد 6 حداقل میگردد. شبکه گذشته تحقیقات 2 بخش در ابتدا مقاله ادامه در انتخاب برای جداگانه صورت به ژنتیک الگوریتم از که رد سپس میشوند. مرور کردهاند استفاده سرخوشهها بخش در میشود. توصیف نظر مورد شبکه مدل 3 بخش ارائه مسئله دو همزمان حل برای پیشنهادی رهیافت 4 پرداخته پیشنهادی روش ارزیابی به 5 بخش در میگردد. میشود. نتیجهگیری مقاله 6 بخش در نهایتا و میشود قبلی تحقیقات مرور 2- و معروفترین از یکی ]20-18[ ژنتیک الگوریتم کار الگوریتم این است. تکاملی الگوریتمهای پرکاربردترین نامیده کرومزوم )که نامزد جوابهای از جمعیتی با را خود الگوریتم این اجرای حین در میکند. شروع میشوند( بعدی نسلهای و مییابد بهبود تدریجا کرومزومها نسل برآورده الگوریتم خاتمه شرط نهایتا تا میشوند تولید مسائل حل برای ژنتیک الگوریتم اخیر سالهای در شود. حسگر شبکههای زمینهخوشهبندی در مختلف بهینهسازی در است. داده نشان را خوبی کارایی و است رفته بهکار برای ژنتیک الگوریتم کاربرد از نمونههایی بخش این ادامه میشوند. مرور سرخوشهها انتخاب سرخوشهها انتخاب برای ]21[ همکاران و جین استفاده دودویی کرومزومهای با ژنتیک الگوریتم از شبکه گرههای بین از که است این آنها هدف کردهاند. جمع که نحوی به شوند انتخاب سرخوشه بهعنوان تعدادی انرژی ترتیب بدین تا شود حداقل ارتباطات مسافتهای ماکزیمم شبکه عمر طول و شود حداقل شبکه مصرفی است. شده لحاظ برازندگی تابع طراحی در هدف این گردد. اندازه به آن طول که است دودویی آرایه یک کرومزوم هر یکی با معادل آن بیت هر و است شبکه گرههای کل تعداد که است معنی این به آرایه در»یک«مقدار است. گرهها از و میشود انتخاب سرخوشه بهعنوان آن با متناظر گره اینکه از پس هستند. عادی گرههای معنی به»صفر«مقدار هر شدند پیدا ژنتیک الگوریتم از استفاده با سرخوشهها نزدیکترین به مربوط خوشه در عادی گرههای از کدام حسگر هر که است شده فرض میگیرد. قرار سرخوشه سرخوشه و میکند ارسال مربوطه سرخوشه به را دادهها میکند. ارسال چاهک به تکگامی صورت به را داده آن نیز انتخاب مسئله حل برای نیز ]22[ دیگری پژوهش در است شده استفاده دودویی ژنتیک الگوریتم از سرخوشهها همکاران و جین روش در که آنچه مشابه کرومزوومها و آن برازندگی تابع ولی میشوند. تعبیر و طراحی بود ]21[ فاصله چاهک تا مستقیم فاصله پارامترهای از ترکیبی انرژی خوشه فاصله استاندارد معیار از انحراف خوشه صورت به برازندگی تابع است. انتقاالت تعداد و ارسال و است شده تعریف مذکور پارامتر پنج وزندار جمع میشود. بهنگام 6 تقویتی یادگیری توسط وزنها تحقیق دو مانند خود پژوهش در نیز ]23[ افراشتهمهر دودویی کرومزومهای با ژنتیک الگوریتم از مذکور صورت همان به نیز شبکه ساختار است. کرده استفاده تابع طراحی در اینجا در ولی است. شده گرفته نظر در انرژی افزایش شدهاند: گرفته نظر در هدف سه برازندگی و پیام یک ارسال برای الزم انرژی کاهش گره باقیمانده سرخوشهها. تعداد کاهش برای را PA 7 نام به روشی ]24[ اتیه و خلیل جای به آن در که کردهاند ارائه سرخوشهها انتخاب حالته سه ژنهای با ژنتیک الگوریتم از دودویی ژنهای به»یک«الگوریتم این کرومزومهای در کردهاند. استفاده یکمنفی و عادی گره معنی به»صفر«سرخوشه معنی 1396 زمستان / رایانشی علوم 6-einforcement learning 7-outing Protocol nergy-aware volutionary 17
1396 زمستان / رایانشی علوم انتخاب در الگوریتم و است غیرفعال و مرده گره معنی به دوره حداکثر میکند: دنبال را هدف سه سرخوشهها میرسد پایان به گره اولین انرژی که زمانی تا پایداری پایان به گره آخرین انرژی که زمانی تا شبکه دوام حداکثر شبکه. عمر طول حین در انرژی مصرف حداکثر و میرسد شده ارائه LA2D-GA 8 روش ]25[ دیگری پژوهش در کرومزومهای از دیگر پژوهشهای خالف بر که است بعدی دو کرومزوم هر میکند. استفاده دوبعدی با گریدی صورت به که است شبکه محدوده نشاندهنده داشتن وجود و است شده تقسیمبندی یکسان اندازههای است آن در گره وجود عدم معنی به گرید در»صفر«مقدار گره داشتن وجود معنی به ترتیب به»دو«و»یک«ارقام و به روش این در هستند. گرید آن در سرخوشه گره و عادی شود تولید تصادفی صورت به اولیه جمعیت اینکه جای است. شده مقداردهی LACH الگوریتم مبنای بر جمعیت هزینه کردن حداقل صورت به صورت به برازندگی تابع مصرفی انرژی میشود سعی و است شده تعریف انتقال شود. حداقل داده انتقال برای شبکه مدل 3- که است شده گرفته نظر در شبکهای پژوهش این در شدهاند. توزیع تصادفی صورت به حسگر تعدادی آن در از GP مانند ابزاری توسط چاهک که است شده فرض هدفخوشهبندی است. مطلع گرهها همه فیریکی موقعیت دادهها حسگر هر انجامخوشهبندی از پس است. حسگرها هب تکگامی صورت به و میکند محیطجمعآوری از را دادههای هرسرخوشه میکند. ارسال مربوطه سرخوشه واسطه )با چندگامی صورت به و کرده تجمیع را دریافتی مسئله میکند. ارسال چاهک به دیگر( سرخوشههای دادهها انتقال انرژی که نحوی به است سرخوشهها انتخاب دیگر طرف از و شود حداقل سرخوشهها به حسگرها از برای سرخوشهها بین را مناسبی چندگامی مسیر بتوان بدین تا کرد طراحی چاهک به سرخوشه از داده ارسال انتخاب از پس یابد. افزایش حسگر شبکه عمر طول ترتیب میگیرد تعلق سرخوشهای به حسگر هر سرخوشهها موجود سرخوشههای بین از سرخوشه نزدیکترین که و سرخوشهها کردن انتخاب است. ارتباطیاش دامنه در به سرخوشهها بین چندگامی مسیریابی یافتن همچنین به سپس و میشود انجام چاهک در و متمرکز صورت چاهک که است شده فرض میشود. ارسال گرهها همه محل یعنی است ثابت شبکه و ندارد انرژی محدودیت ثابت محیط در جاگذاری از پس وسرخوشهها حسگرها ماند. خواهد تجمیع دادههای ارسال و دادهها جمعآوری بار هر رد 9 دوره یک بهعنوان چاهک به سرخوشهها همه از شده صورت به شبکه عمر طول و ]8-6[ میشود گرفته نظر گره اولین انرژی که زمانی تا شده طی دورههای تعداد رد ]8-6[. میشود تعریف میرسد پایان به سرخوشه بر را i گره هر مصرفی انرژی داده دورهجمعآوری هر رابطه صورت به 11[ ]8 10 اول مرتبه رادیویی مدل اساس میکنیم. مدلسازی )1( = + )1( i i Ti آن در که i برای i گره توسط شده مصرف انرژی محاسبه )2( رابطه صورت به و است j گره از داده دریافت میشود:. = α i 1 bi )2( که میدهد نشان را بیتهایی تعداد b i )2( رابطه در و میشود دریافت دوره یک در iام سرخوشه توسط T و است دریافت انرژی ضریب α i 1 مصرف انرژی j )گره است j گره به داده ارسال برای i گره توسط شده صورت به و باشد( چاهک یا و دیگر یکسرخوشه میتواند میشود: محاسبه )3( رابطه = α. b+ β. bdd.. m Ti 2 i i i. j )3( است j گره و i گره بین اقلیدسی فاصله d i,j آن در که 9-ound 10-First order radio model 8-Location-Aware two-dimensional GA 18
تقویت ضریب b پارامتر است. ارسال انرژی ضریب α 2 و عددی که است 12 مسیر تضعیف ضریب m و است 11 کننده است. 4 تا 2 بین پیشنهادی روش 4- استفاده با مناسب سرخوشههای پیشنهادی روش در که است این هدف میشوند. انتخاب ژنتیک الگوریتم از مصرف که شوند انتخاب سرخوشه بهعنوان گرههایی را مناسبی چندگامی مسیر بتوان و کنند حداقل را انرژی کرومزومها ارزیابی برای بنابراین داد. تشکیل آنها بین سرخوشههای بین بهینه چندگامی مسیر که است نیاز مسیر این طراحی برای بدانیم. را نامزد شده انتخاب یا گام«حداقل با»مسیریابی روش از بهینه چندگامی معرفی به ادامه در میشود. استفاده 27[ ]26 MHM 13 میشود. پرداخته روش جزئیات که شود مشخص اینکه برای شد گفته همانطورکه بهعنوان کدامیک شبکه در موجود حسگرهای بین از کدگذاری با ژنتیک الگوریتم از انتخابشوند سرخوشه نحوه یک با متناظر کرومزوم هر میکنیم. استفاده دودویی آرایهای صورت به کرومزوم هر است. سرخوشهها انتخاب تعداد اندازه به آن طول که میشود گرفته نظر در دودویی از یکی با متناظر بیت )هر است شبکه حسگرهای کل آرایه در»یک«مقدار با بیت هر است(. شبکه حسگرهای سرخوشه بهعنوان آن با متناظر گره که است معنی این به هستند. عادی گرههای معنی به»صفر«و میشود انتخاب گرههای از کدام هر سرخوشهها آمدن دست به از پس قرار سرخوشه نزدیکترین به مربوط خوشۀ در عادی میگیرد. تولید تصادفی صورت به ژنتیک الگوریتم اولیه جمعیت هر مطلوبیت میزان برازندگی تابع از استفاده با میشود. میزان میشود. ارزیابی جمعیت کرومزومهای از یک شبکه عمر طول اساس بر را کرومزوم هر برازندگی به شبکه عمر طول شد گفته همانطورکه میکنیم. تعریف انرژی که زمانی تا داده دورههایجمعآوری تعداد صورت میشود تعریف میرسد پایان به گرهسرخوشه اولین رابطه صورت به شبکه عمر طول تعریف این برطبق ]8-6[. 1396 زمستان / رایانشی علوم L net = initial max :]28 7[ میشود محاسبه )4( )4( initial رابطه این در است سرخوشه اولیه انرژی و میشود گرفته نظر در برابر همهسرخوشهها برای که max دور یک در که است مصرفیسرخوشهای انرژی بنابراین دارد. را انرژی مصرف بیشترین داده جمعآوری داریم: باشد تا شده انتخاب سرخوشههای تعداد اگر max = max 1 i CH i )5( L net است. ام i خوشه مصرفی انرژی CHi آن در که یعنی میدهد نشان را شبکه عمر طول )4( رابطه در نیز پرمصرفترین که وقتی تا داده جمعآوری دورهای تعداد 28[. ]7 میرسد پایان به انرژیاش سرخوشه میکند: کار دو صرف را خود انرژی هرسرخوشه قرار آن به مربوط خوشه در که حسگرهایی از داده دریافت مسیریابی در داده( ارسال و )دریافت شدن واسطه و دارند شده مصرف انرژی بنابراین سرخوشهها. بین چندگامی رابطه از داده دورجمعآوری یک در سرخوشه یک توسط میشود: محاسبه )6( = + CHi int raclusteri interclusteri )6( سرخوشه که است انرژیای int racluster آن در که i خوشه i ام داخل حسگرهای از داده دریافت صرف ام i میشود. محاسبه )7( رابطه از int raclusteri میکند. intracluster CHi = Ci CHi )7( و است ام i خوشه حسگرهای تعداد C i آن در که سرخوشه توسط حسگر از داده کردن دریافت انرژی 11- Amplifier 12- Path Loss xponent 13-Minimum Hop outing Model 19
علوم رایانشی / زمستان 1396 i ام است و از رابطه )2( مربوط به مدل رادیویی مرتبه اول ]8 11[ که در بخش 3 معرفی شد محاسبه میشود و inte rcluster در رابطه )6( انرژیای است که سرخوشه i در مسیریابی بین سرخوشهها صرف دریافت داده از سرخوشههای قبلی خود و ارسال داده به سرخوشه بعدی خود میکند. مقدار این انرژی بستگی به مسیریابی چندگامی دارد که بین سرخوشههای انتخاب شده صورت خواهد گرفت. این مسیریابی چندگامی با استفاده از روش ]26 MHM 27[ انجام میشود. در روش MHM هر سرخوشه مسیری را به سوی چاهک مییابد که دارای حداقل تعداد گام باشد ]7[. پس از طراحی مسیر چندگامی یعنی انرژی مصرفی intercluster توسط روش MHM i سرخوشه i ام برای ایفای نقش در این مسیر چندگامی محاسبه خواهد شد و در رابطه )6( قرار خواهد گرفت. بدین ترتیب برای ارزیابی یک کرومزوم )یعنی یک نوع انتخاب سرخوشهها( هم انرژی مصرفی هرسرخوشه برای جمعآوری داده از اعضای خوشه درنظر گرفته میشود و هم بررسی میشود که هر سرخوشه در مسیریابی چندگامی بین سرخوشهها چه اندازه مصرف انرژی خواهد داشت. کرومزومی که سرخوشههای انتخاب شده در آن منجر به طول عمر باالتری برای شبکه شود برازندهتر خواهد بود. برای انتخاب کرومزومها از روش انتخاب چرخ رولت ]20[ 14 استفاده میشود. کرومزومهایی که برازندهتر هستند شانس انتخاب باالتری دارند. سپس از روش ادغام تک نقطهای ]20[ برای ادغام والدها استفاده میشود. برای انجام جهش نیز با احتمال ضعیفی برخی ژنهای برخی کرومزومها معکوس میشوند و از»صفر«به»یک«و یا از»یک«به»صفر«تبدیل میشوند. 5- ارزیابی و نتایج برای ارزیابی روش پیشنهادی ابتدا شبکهای با 100 حسگر و 4 سرخوشه در نظر گرفته شده که در یک مساحت 200 200 متر مربع پراکنده شدهاند. برد رادیویی هر حسگر 40 متر و برد رادیویی هرسرخوشه 200 متر درنظر گرفته شدهاند. سپس تعدادسرخوشهها از 4 تا 40 افزایش داده شده و برای ثابت ماندن چگالی تعداد حسگرها نیز به 900 و مساحت نیز به 900 900 افزایش یافته است. برای مصرف انرژیسرخوشهها از مدل رادیویی مرتبه اول که در بخش 3 معرفی شد استفاده و αبرابر با 2 α 1 شده است. در این مدل رادیویی مقدار 50nJ/bit و مقدار β برابر با 100 pj/bit/m 2 و پارامتر ضریب تضعیف مسیر برابر با 2 فرض شده است. نرخ تولید داده توسط هر خوشه برابر با 1000Bits/ound و انرژی اولیه هرسرخوشه 5 ژول در نظر گرفته شد. سه شرط مختلف برای مکان قرارگیری چاهک عبارتند از: مرکز مربع گوشه پایین سمت چپ و وسط ضلع پایین. در الگوریتم ژنتیک اندازه جمعیت اولیه 300 کرومزوم است و از روش انتخاب چرخ رولت با نرخ 70 درصد استفاده شده است. الگوریتم ژنتیک در هر اجرا برای 100 نسل اجرا میشود. نتایج روش پیشنهادی با دو روش مقایسه شده است. در همگی این روشها مسئلۀ انتخاب سرخوشهها و مسئلۀ مسیریابی چندگامی به صورت جداگانه و مستقل از هم حل میشوند. این روشها در ادامه معرفی میشوند: روش اول: روشی که در آن سرخوشهها با استفاده از الگوریتم ژنتیک بر طبق روش ]24[ تعیین میشوند و سپس مسیر چندگامی بین سرخوشهها و چاهک در مرحلهای جداگانه با استفاده از روش ]26 MHM 27[ تعیین میگردد. این روش را GA+ MHM مینامیم. روش دوم: روشی که در آن سرخوشهها بر اساس توزیع حسگرها و با استفاده از روش برنامهریزی خطی عددصحیح )ILP( 15 ارائه شده در ]29[ تعیین میشوند و سپس مسیریابی چندگامی از سرخوشهها به چاهک بر طبق روش ]26 MHM 27[ انجام میشود. این روش را 15-Integer linear programming ILP+MHM مینامیم. 14- oulette wheel 20
در پیشنهادی روش توسط شده ایجاد بهبود درصد میانگین 1: جدول دیگر روش دو با مقایسه چاهک مکان ضلع وسط پایین پایین گوشه چپ سمت محدوده مرکز درصد 17 درصد 6 درصد 13 به نسبت بهبود میزان GA+MHM روش درصد 55 درصد 80 درصد 54 به نسبت بهبود میزان ILP+MHM روش که وقتی برای سرخوشهها تعداد تغییر ازای به شبکه عمر طول 1: شکل دارد. قرار پایین ضلع وسط در چاهک وقتی برای سرخوشهها تعداد تغییر ازای به شبکه عمر طول 2: شکل دارد. قرار چپ سمت پایین گوشه در چاهک که حالتی برای سرخوشهها تعداد تغییر ازای به شبکه عمر طول 3: شکل دارد. قرار محدوده مرکز در چاهک که طبق بر که است شبکه عمر طول ارزیابی معیار میشود. محاسبه شد گرفته نظر در 3 بخش در که تعریفی برای سرخوشهها تعداد تغییر ازای به شبکه عمر طول 2 و 1 شکلهای در چاهک قرارگیری مختلف محلهای روی بر میانگینگیری از نتایج این میشود. مشاهده 3 و از همانطورکه است. آمده دست به شبیهسازی بار 20 یعنی پیشنهادی روش میگردد مشخص شکلها بررسی مسئلۀ و سرخوشهها تعیین )مسئلۀ مسئله دو همزمان حل جداگانه حل با مقایسه در آنها( بین چندگامی مسیر یافتن است. شده شبکه عمر طول افزایش باعث اغلب مسئله دو پیشنهادی روش توسط شده ایجاد بهبود درصد میانگین به است. آمده 1 جدول در دیگر روش دو با مقایسه در درصد 37 موجب پیشنهادی روش گقت میتوان کلی طور است. شده شبکه عمر طول در بهبود روشهای با پیشنهادی روش آیا اینکه بررسی برای تفاوت آماری لحاظ از ILP+MHM و GA+MHM سطح در طرفه یک t آزمون خیر یا دارد معنیداری در آزمون این نتایج است. رفته کار به 0/05 معنیداری به نسبت پیشنهادی روش نتایج که میدهد نشان 2 جدول از شرایط اکثر در ILP+MHM و GA+MHM روش دو یافته بهبود و است داشته معنیداری تفاوت آماری لحاظ است. توسط شبکه عمر طول یافتن بهبود علت که گفت میتوان است. مناسبتر سرخوشههای انتخاب پیشنهادی روش سرخوشهها انتخاب مرحله در پیشنهادی روش در زیرا چندگامی مسیر بتوان که میشوند انتخاب سرخوشههایی چندگامی ارسال بتوانند تا داد تشکیل آنها بین را مناسبی انجام کمتری انرژی مصرف با خودشان بین را دادهها داد نشان شبیهسازیها همانطورکه دلیل همین به دهند. باعث سرخوشهها انتخاب هنگام در نکته این کردن لحاظ 1396 زمستان / رایانشی علوم 21
جدول 2: نتایج آزمون - یک طرفه برای مقایسه روش پیشنهادی با روشهای GA+MHM و ILP+MHM روش ILP+MHM روش GA+MHM مکان چاهک تعداد سرخوشه 4 8 12 16 20 24 28 32 36 40 وسط ضلع پایین گوشه پایین سمت چپ مرکز محدوده وسط ضلع پایین گوشه پایین سمت چپ مرکز محدوده علوم رایانشی / زمستان 1396 افزایش طول عمر شبکه شده است. بدیهی است که حل همزمان دو مسئله در مقایسه با حل جداگانه مسئلهها به زمان محاسباتی بیشتری نیاز دارد. ولی همانطورکه در بخش 3 ذکر شد اجرای الگوریتم به صورت متمرکز و بر روی چاهک انجام میشود و چاهک اغلب محدودیت انرژی ندارد. عالوه بر این میدانیم که در شبکههای حسگر انرژی گرهها صرف انجام دو عملیات محاسبات و انتقال دادهها میشود و انرژیای که برای عملیات محاسباتی مصرف میشود در مقایسه با انرژی مصرفی برای انتقال دادهها ناچیز است. بنابراین به صرفه است که محاسبات بیشتری انجام شود )و به تبع آن انرژی محاسبات افزایش داده شود( تا بتوان انرژی انتقال دادهها را کاهش داد. به همین دلیل با توجه به اینکه در روش پیشنهادی افزایش انرژی انجام محاسبات بر روی چاهک باعث کاهش انرژی صرف شده برای انتقال دادهها در گرههای شبکه میشود افزایش محاسبات در روش پیشنهادی مشکلی ایجاد نخواهد کرد و مقرون به صرفه است. 6- نتيجهگیری در این مقاله روشی برای حل همزمان دو مسئلۀ انتخاب سرخوشهها و مسیریابی چندگامی بهینه از سرخوشهها به چاهک ارائه شد. برای این منظور از الگوریتم ژنتیک برای انتخاب سرخوشهها استفاده شد. در الگوریتم ژنتیک پیشنهادی برای ارزیابی کرومزومها نیاز است که مسیر چندگامی بهینه بین سرخوشههای انتخاب شده نامزد را بدانیم. برای طراحی این مسیر چندگامی بهینه از روش MHM استفاده میشود. روش پیشنهادی با استفاده از شبیه سازی ارزیابی شد و با چند روش که دو مسئلۀ انتخاب سرخوشهها و مسیریابی چندگامی بین آنها را به صورت مستقل از هم حل کردهاند از لحاظ معیار طول عمر شبکه مقایسه شد. نتایج نشان داد که روش پیشنهادی طول عمر شبکه را بهبود داده است. برای ادامه پژوهش پیشنهاد میشود که به غیر از الگوریتم ژنتیک و روش MHM روشهای دیگری که برای تعیین سرخوشهها و مسیریابی چندگامی وجود دارد نیز با یکدیگر ترکیب شوند و در حل همزمان دو مسئله بهکار روند و نتایج مورد بررسی قرار بگیرد. مراجع 1- Arabi K., Bohlooli A., Medium access control layer management for saving energy in wireless sensor networks routing algorithms, Journal of the Chinese Institute of ngineers, Vol.39, o.4, pp493-497, 2016. 2- Anastasi G., Conti M., Di Francesco M., Passarella A., nergy Conservation in Wireless ensor etworks: A urvey. Ad Hoc etworks, Vol. 7, o. 5, pp. 37 68, 2009. 3- Afsar M. M., Tayarani- M. H, Clustering in ensor etworks: A Literature urvey. Journal of etwork and Computer Applications. Vol. 46, pp. 198-226, 2015. 22
علوم رایانشی / زمستان 1396 114-126, 2013. 18- Goldberg D., Karp B., Ke Y., ath., eshan, Genetic Algorithms in earch, Optimization, and Machine Learning. Addison-Wesley, 1989. 19- Holland J., Adaptation in atural and Artificial ystems. University of Michigan Press, 1975. 20- Mitchell M., An Introduction to Genetic Algorithms. MIT Press, Cambridge, MA, 1996. 21- Jin., Zhou, Wu M., ensor network optimization using a genetic algorithm. Proceedings of the 7th World Multiconference on ystemics, Cybernetics, and Informatics, Orlando, FL, July 27-30, 2003. 22- Hussain., Matin A.., Islam O.,. Genetic Algorithm for Hierarchical Wireless ensor etworks. Journal of etworks, Vol. 2, o. 5, pp. 87-97, 2007. 23- Afrashteh Mehr M., Design and Implementation a ew nergy fficient Clustering Algorithm using Genetic Algorithm for Wireless ensor etworks. World Academy of cience, ngineering and Technology, Vol. 5., 2011. 24- Khalil., Attea A., nergy-aware volutionary outing Protocol for Dynamic Clustering of Wireless ensor etworks. warm and volutionary Computation, Vol. 1, o. 4, pp. 195 203, 2011. 25- eo H.., Oh. J.,, Lee W. C., volutionary genetic algorithm for efficient clustering of wireless sensor networks. CCC 09 Proceedings of the 6th I Conference on Consumer Communications and etworking Conference, pp. 258-262, 2009. 26- Gupta G., Younis M., Load-balanced clustering of wireless sensor networks. I International Conference on Communications, Vol. 3, pp. 1848 1852, 2003. 27- Gupta G., Younis M., Performance evaluation of loadbalanced clustering of wireless sensor networks. 10th International Conference on Telecommunications, Vol. 2, pp. 1577 1583, 2003. 28- Bari A., Jaekel A.; Bandyopadhyay., Maximizing the lifetime of twotiered sensor networks. Proceeding of I International lectro/information Technology Conference (IT 2006), MI, pp. 222 226, 2006. 2- Bari A., Jaekel A., Bandyopadhyay., Optimal placement of relay nodes in two-tiered, fault tolerant sensor networks. 12th I ymposium on Computers and Communications (ICC), pp. 159 164, 2007. 4- Motahariasab., Bohlooli A., Moghim., An nergy- Aware Data-Gathering Protocol Based on Clustering using AUV in Underwater ensor etworks, International Journal of Computer etwork & Information ecurity Vol. 8, o. 12, pp36-43, 2016. 5- Liu X., A urvey on Clustering outing Protocols in Wireless ensor etworks. ensors, Vol. 12, o. 8, pp. 11113-11153, 2012. 6- Gupta. K., Kuila P., Jana P. K, GA: An nergy fficient GA-Based outing for Wireless ensor etworks. Distributed Computing and Internet Technology, Lecture otes in Computer cience, Vol. 7753, pp. 267-277, 2013. 7- Bari A., Wazed., Jaekel A., Bandyopadhyay., A Genetic Algorithm Based Approach for nergy fficient outing in Two-tiered ensor etworks. Ad Hoc etworks, Vol. 7, pp. 665 676, 2009. 8- Heinzelman W., Chandrakasan A., Balakrishnan H., nergy efficient communication protocol for wireless micro-sensor networks. Proceedings of the 33rd HIC, Maui, Hawaii, pp. 3005 3014, 2000. 9- Abbasi A., Younis M., A urvey on Clustering Algorithms for Wireless ensor etworks. Computer Communication, Vol. 30, o. 28, pp. 26 41, 2007. 10- Boyinbode O., Hanh L., Mbogho A., Takizawa M., Poliah., A survey on clustering algorithms for wireless sensor networks. 13th International Conference on etwork-based Information ystems (Bi), pp. 358 364, 2010. 11-Mirshams., Jamshidi K., Bohlooli A., Dehghani A., Data reduction using clustering method in wireless sensor network, Ultra Modern Telecommunications & Workshops, 2009. ICUMT 09. pp1-8, 2009. 12- Hajian., Jamshidi K., Bohlooli A., Increasing W lifetime by using learning automata for optimal route selection, Information etworking and Automation (ICIA), 2010 International Conference on, Vol.1, pp.215-218, 2010. 13- Hajian., Jamshidi K., Bohlooli A., Improve energy efficiency routing in W by using automata, International Journal of Ad hoc ensor & Ubiquitous Computing (IJAUC), Vol. 1, o. 2, 2010. 14- Zhang P., Xiao G., Tan H-P., Clustering Algorithms for Maximizing the Lifetime of Wireless ensor etworks with nergy-harvesting ensors. Computer etworks, Vol. 57, o. 2, pp. 689-704, 2013. 15- ikzad M., Bohlooli A., Jamshidi K., Video Quality Analysis of Distributed Video Coding in Wireless Multimedia ensor etworks, International Journal of Computer etwork and Information ecurity, Vol.5, o.10, pp. 12-20, 2014. 16- Youssef, W., Younis, M. Intelligent gateways placement for reduced data latency in wireless sensor networks. ICC 07. I International Conference on Communications, 24-28 June, pp. 3805-3810, 2007. 17- Peiravi A., ajabi Mashhadi H., Javadi. H., An Optimal nergy-efficient Clustering Method in Wireless ensor etworks Using Multi-objective Genetic Algorithm. International Journal of Communication ystems, Vol. 6, o. 26, pp. 23